本文重点：
和一般形式的文本处理方式一样，并没有特别大的差异，文章的重点在于提出了一个相似度矩阵
计算过程介绍：
query和document中的首先通过word embedding处理后获得对应的表示矩阵
利用CNN网络进行处理获得各自的feature map，接着pooling后获得query对应的向量表示Xq和document的向量Xd
不同于传统的Siamense网络在这一步利用欧式距离或余弦距离直接对Xq和Xd进行相似性计算后预测结果，网络采用一个相似矩阵来计算Xq和Xd的相似度，然后将Xd，Xq和sim(Xq,Xd)进行连接，并添加了word overlap和IDF word overlap的特征后作为特征向量输入一个神经网络层
神经网络层的输出经过一个全连接层，利用softmax函数得出预测结果